本发明专利技术公开了一种融合机理模型和实时数据的油井产量预测方法，包括构建机理仿真输出机理模型数据，将时序参数数据进行相关性分析后得到核心时序参数数据然后进行数据处理，将数据处理后的核心时序参数数据和机理建模数据进行有效融合后输入预测模型的编码器来捕获全局信息和局部信息，解码器处理编码器输出的全局信息和局部信息，最后输出油井产量预测结果。本发明专利技术通过融合机理模型的模拟数据和实时数据并使用多元时序预测模型来输出预测结果，提高了预测结果的说服性，使结果更加可靠。
【技术实现步骤摘要】
本专利技术设计一种融合机理模型和实时数据的油井产量预测方法，属于涉及大数据模型的油井产量预测方法。
技术介绍
1、随着油气资源的不断挖掘和利用，油田开发领域正面临前所未有的挑战，传统的开发方法，主要依赖于经验和固定规则，虽然在一定程度上有效，却未能充分挖掘数据中蕴含的深层价值和潜在规律，这种方法在应对快速演变的市场和技术环境时显得力不从心，因此，油井开发正逐步转向智能化，以更好地适应时代的发展。
2、在油气行业，油井产量预测对于优化生产、提高效率和降低风险至关重要，一种融合机理模型和实时数据的油井产量预测方法利用了传统物理模型的精确性与现代数据处理技术的强大分析能力，提供了一种先进的解决方案。
3、机理模型基于油井设备的物理特性构建，包括油嘴管汇模型、三相分离器模型，这些模型通常很复杂，需要专业知识来建立和解释，但是提供了对油井行为深刻的理解和精确的预测基准。
4、随着传感器技术和数据采集系统的发展，油田现场产生了大量实时数据，包括压力、温度、流量、液位和产量各种参数，这些数据提供了油井性能的即时快照，使得可以对油井的当前状况做出快速反应；但是单独的实时数据并不能提供足够的背景和趋势分析，这就需要将其与更深层次的模型结合起来。
5、油井产量预测技术一般是指利用数据分析和机器学习技术对油井进行性能分析和产量预测的一种方法，但是现有预测方法考虑因素较少，预测准确性较差，因此提出了一种融合机理模型和实时数据的油井产量预测方法。
技术实现思路
>1、为了解决上述提出的问题，本专利技术提供一种融合机理模型和实时数据的油井产量预测方法；本专利技术更深层次地考虑如何将机理模型的输出数据与实时数据相结合，从而进一步提高预测的准确性；还考虑了时间序列中的长期依赖关系，使用多元时序预测模型来实现更加精确的预测。2、本专利技术所提出的一种融合机理模型和实时数据的油井产量预测方法具体步骤如下：
3、步骤s10、通过机理仿真建模对油嘴管汇和三相分离器进行机理分析，得到关联油井机理建模数据；
4、步骤s20、使用油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位、油井排液量、油井产量这些时序参数数据进行相关性分析，得到关于油井产量的核心时序参数数据后进行数据处理；
5、步骤s30、将数据处理后的核心时序参数数据和机理建模数据进行有效融合，加载进预测模型中通过编码器来捕获全局信息和局部信息；
6、步骤s40、预测模型的解码器处理编码器输出的全局信息和局部信息，通过注意力机制和线性层进行融合，生成最终的油井产量预测结果。
7、进一步的技术方案是，所述步骤s10的具体过程为：对油嘴管汇和三相分离器两个油井设备进行物理仿真模型构建，并通过模拟算法输出机理建模数据，其中机理建模数据包括：油嘴管汇上下压、三相分离器上下压、三相分离器液位和三相分离器温度。
8、进一步的技术方案是，所述步骤s20的具体过程为：对时序参数数据进行相关性分析的步骤包括，使用构建多元回归模型的方法进行相关性分析，将油井产量作为因变量，油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位、油井排液量作为自变量来拟合回归模型；检查自变量系数的显著性来确定自变量对因变量有显著影响的时序参数数据；得到关于油井产量的核心时序参数数据包括时序日期、油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位和油井产量；
9、对核心时序参数数据进行数据处理包括数据标准化，数据分割，序列提取；数据标准化通过去除均值并缩放至单位方差来标准化特征；数据分割根据训练、验证和测试的需求，数据被分割成不同的部分；序列提取根据定义的序列长度、标签长度和预测长度从时间序列中提取数据。
10、进一步的技术方案是，所述步骤s30的具体过程为：预测模型编码器分为全局分支和局部分支两个部分；全局分支用于捕获整个输入序列的全局依赖关系和长距离模式，即全局信息；全局分支中包括gconv、fno和film三个不同的模块；gconv是一种全局卷积层，能够捕捉序列的全局特征；fno是一种利用傅里叶变换处理序列数据的网络结构，适合捕捉全局和周期性特征；film是特征线性调制层，用于处理序列数据；
11、局部分支专注于捕捉输入序列的局部特征和短期依赖关系，即局部信息；局部分支使用趋势分解和残差分解，分别对趋势部分和残差部分进行编码，然后将两部分的结果相加。
12、进一步的技术方案是，所述步骤s40的具体过程为：将编码器输出的全局信息和局部信息通过解码器的线性层进行变换，变为三个不同的表示，分别称为查询、键和值，这里将全局信息作为查询，将局部信息作为键和值；变换后的全局信息和局部信息进入注意力层，计算注意力权重并获得加权的输出，最后将所有加权的输出结合后得到最终的产量预测结果。
13、与现有技术相比，本专利技术的有益效果为：
14、本专利技术综合了机理建模数据与油井实时数据，并使用多元时间序列预测框架构建油井产量预测模型，能适应油井领域数据的多变化环境，对于预测结果有更好的说服力，因而本方法具有较强的普适性。
15、本专利技术模型中引入了一种新的全局-局部结构，利用一个低复杂度的全局分支来捕获长期依赖关系和一个局部分支来捕获细粒度短期信息，这种创新的结构增强了神经网络以一种计算效率高的方式建模复杂关系的能力，使准确度更高，预测出的结果更可靠。
16、本专利技术所采用的模型底层使用的是注意力机制，因而无需在中途做额外的数据处理，相对更方便和高效。
本文档来自技高网...
【技术保护点】
1.一种融合机理模型和实时数据的油井产量预测方法，其特征在于，将机理模型输出数据和实际油井输出数据相结合后使用预测算法进行产量预测，包括以下步骤：
2.如权利要求1所述的一种融合机理模型和实时数据的油井产量预测方法，其特征在于：在步骤S10中，对油嘴管汇和三相分离器两个油井设备进行物理仿真模型构建，并通过模拟算法输出机理建模数据，其中机理建模数据包括：油嘴管汇上下压、三相分离器上下压、三相分离器液位和三相分离器温度。
3.如权利要求1所述的一种融合机理模型和实时数据的油井产量预测方法，其特征在于：在步骤S20中，对时序参数数据进行相关性分析的步骤包括，使用构建多元回归模型的方法进行相关性分析，将油井产量作为因变量，油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位、油井排液量作为自变量来拟合回归模型；检查自变量系数的显著性来确定自变量对因变量有显著影响的时序参数数据；得到关于油井产量的核心时序参数数据包括时序日期、油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位和油井产量。
4.如权利要求1所述的一种融合机理模型和实时数据的油井产量预测方法，其特征在于：在步骤S20中，对核心时序参数数据进行数据处理包括数据标准化，数据分割，序列提取；数据标准化通过去除均值并缩放至单位方差来标准化特征；数据分割根据训练、验证和测试的需求，数据被分割成不同的部分；序列提取根据定义的序列长度、标签长度和预测长度从时间序列中提取数据。
5.如权利要求1所述的一种融合机理模型和实时数据的油井产量预测方法，其特征在于：在步骤S30中，预测模型编码器分为全局分支和局部分支两个部分；全局分支用于捕获整个输入序列的全局依赖关系和长距离模式，即全局信息；全局分支中包括GConv、FNO和Film三个不同的模块；GConv是一种全局卷积层，能够捕捉序列的全局特征；FNO是一种利用傅里叶变换处理序列数据的网络结构，捕捉全局和周期性特征；Film是特征线性调制层，用于处理序列数据；
6.如权利要求1所述的一种融合机理模型和实时数据的油井产量预测方法，其特征在于：在步骤S40中，将编码器输出的全局信息和局部信息通过解码器的线性层进行变换，变为三个不同的表示，分别称为查询、键和值，这里将全局信息作为查询，将局部信息作为键和值；变换后的全局信息和局部信息进入注意力层，计算注意力权重并获得加权的输出，最后将所有加权的输出结合后得到最终的产量预测结果。
...
【技术特征摘要】
1.一种融合机理模型和实时数据的油井产量预测方法，其特征在于，将机理模型输出数据和实际油井输出数据相结合后使用预测算法进行产量预测，包括以下步骤：
2.如权利要求1所述的一种融合机理模型和实时数据的油井产量预测方法，其特征在于：在步骤s10中，对油嘴管汇和三相分离器两个油井设备进行物理仿真模型构建，并通过模拟算法输出机理建模数据，其中机理建模数据包括：油嘴管汇上下压、三相分离器上下压、三相分离器液位和三相分离器温度。
3.如权利要求1所述的一种融合机理模型和实时数据的油井产量预测方法，其特征在于：在步骤s20中，对时序参数数据进行相关性分析的步骤包括，使用构建多元回归模型的方法进行相关性分析，将油井产量作为因变量，油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位、油井排液量作为自变量来拟合回归模型；检查自变量系数的显著性来确定自变量对因变量有显著影响的时序参数数据；得到关于油井产量的核心时序参数数据包括时序日期、油压、套压、油嘴管汇上下压、三相分离器上下压、三相分离器温度、三相分离器液位和油井产量。
4.如权利要求1所述的一种融合机理模型和实时数据的油井产量预测方法，其特征在于：在步骤s20中，对...
【专利技术属性】
技术研发人员：胡泽，孟鑫，汪敏，刘星宇，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。